文/北京集佳知識產(chǎn)權代理有限公司西安分部 潘紅

　　在專利申請文件中，權利要求書是否清楚對于請求保護的發(fā)明是非常重要的。如果權利要求不清楚，則無法清楚地限定發(fā)明的保護范圍，從而難以起到專利保護的效果。

　　因此，在專利申請的審查階段，審查員會對權利要求是否清楚進行嚴格的審查。尤其是在歐洲專利申請的審查過程中，對權利要求的清楚性審查極為嚴格，審查員會基于歐洲專利法第84條（Article 84 EPC）來審查權利要求的清楚性。

　　在針對歐洲專利申請的關于清楚性的各種審查意見中，根據(jù)歐洲專利審查指南第F-IV章第4.10條發(fā)出的結果性限定的審查意見，也是比較常見的一種，以下就代理人在答復該類審查意見的實踐進行簡單探討。

　　Guidelines F-IV 4.10的部分內容如下：

　　4.10 Result to be achieved

　　The area defined by the claims must be as precise as the invention allows. As a general rule, claims which attempt to define the invention by a result to be achieved are not allowed, in particular if they only amount to claiming the underlying technical problem. However, they may be allowed if the invention either can only be defined in such terms or cannot otherwise be defined more precisely without unduly restricting the scope of the claims and if the result is one which can be directly and positively verified by tests or procedures adequately specified in the description or known to the person skilled in the art and which do not require undue experimentation.

　　根據(jù)審查指南的上述規(guī)定，如果權利要求試圖通過要實現(xiàn)的結果來限定發(fā)明，則是不被允許的。除非發(fā)明只能用這些術語來定義，或者無法在不過度當?shù)叵拗茩嗬蠓秶那闆r下更準確地定義本發(fā)明，而且，要實現(xiàn)的結果可以通過說明書中充分說明的或本領域技術人員已知的試驗或程序直接確認，并且不需要進行過度的試驗，則可以允許使用這些術語。

　　針對上述釋義，指南中提供了下述示例進行說明。例如，發(fā)明涉及一種煙灰缸，由于煙灰缸的形狀和相對尺寸，在煙灰缸中燃燒的煙頭會自動熄滅。然而，煙灰缸可能會有各種變化，即使其能提供所需的效果（自動熄滅），而其尺寸卻難以確定。因此，需要在權利要求中盡可能清楚地說明煙灰缸的結構和形狀，并且說明書要包括足夠的說明，使技術人員能夠通過常規(guī)測試程序確定所需的尺寸，即能夠結合所要達到的效果來確定相對尺寸。

　　因此，對于上述審查意見，首先要檢查被審查的權利要求的特征是否符合上述情形，否則，則需要增加相應的特征，以進一步限制權利要求的范圍。

　　以下為代理人在實踐中遇到的一件歐洲專利申請，在歐洲檢索報告中，審查員指出了兩個權利要求均存在結果限定的問題。經(jīng)過代理人的分析，審查員指出的這兩個權利要求正好分別對應指南中的兩種情形。

　　具體地，發(fā)明涉及機器學習，尤其是基于深度神經(jīng)網(wǎng)絡構建分類任務模型，并通過適當?shù)挠柧殬颖緦υ撃Ｐ瓦M行訓練，得到分類任務模型。在訓練分類任務模型時，訓練數(shù)據(jù)集中包含的訓練樣本的類別可能并不均衡，例如正樣本的數(shù)量遠少于負樣本的數(shù)量，這樣的訓練數(shù)據(jù)集可以稱為類別不均衡數(shù)據(jù)集。如果采用類別不均衡數(shù)據(jù)集對分類任務模型進行訓練，會導致最終得到的分類任務模型的性能表現(xiàn)不佳。

　　為此，該歐洲專利申請?zhí)峁┝讼率龇椒ǎㄟ^樣本擴展來解決上述問題。

　　示例1

　　1、一種分類任務模型的訓練方法，所述方法由計算機設備執(zhí)行，所述方法包括：

　　采用第一數(shù)據(jù)集訓練初始特征提取器得到特征提取器；其中，所述第一數(shù)據(jù)集是包括第一類別樣本和第二類別樣本的類別不均衡數(shù)據(jù)集，所述第一類別樣本的數(shù)量大于所述第二類別樣本的數(shù)量，所述第一數(shù)據(jù)集是通過醫(yī)療影像確定的；

　　構建生成對抗網(wǎng)絡，所述生成對抗網(wǎng)絡包括所述特征提取器和初始特征生成器；其中，所述初始特征生成器用于生成與所述特征提取器相同維度的特征向量；

　　采用所述第二類別樣本對所述生成對抗網(wǎng)絡進行訓練，得到特征生成器；

　　構建分類任務模型，所述分類任務模型包括所述特征生成器和所述特征提取器；

　　采用所述第一數(shù)據(jù)集對所述分類任務模型進行訓練；其中，所述特征生成器用于在訓練過程中對所述第二類別樣本在特征空間進行擴增，訓練后的所述分類任務模型用于對醫(yī)療影像進行病灶分類。

　　在歐洲檢索報告中，審查員指出，權利要求1中的特征“訓練后的所述分類任務模型用于對醫(yī)療影像進行病灶分類”限定了要實現(xiàn)的結果，導致當前權利要求1的方案不清楚。

　　根據(jù)說明書描述，該專利申請的方案主要針對類別不均衡的醫(yī)療影像的分類任務，訓練數(shù)據(jù)集可以包括多張從醫(yī)療影像中提取的子圖，這些子圖有的是正樣本（也即病灶區(qū)域的圖像），有的是負樣本（也即非病灶區(qū)域的圖像），負樣本的數(shù)量往往遠大于正樣本的數(shù)量。在這種應用場景下，分類任務模型可以稱為影像學病灶判別模型，其輸入是一張從醫(yī)療影像中提取的子圖，輸出是該子圖是否為病灶區(qū)域的判別結果。

　　結合上述應用背景來分析權利要求1，雖然公開了第一數(shù)據(jù)集是通過醫(yī)療影像確定的，但并沒有清楚限定醫(yī)療影像與第一數(shù)據(jù)集的對應關系，從而無法無疑義地確定基于該第一數(shù)據(jù)集訓練得到的分類任務模型是對醫(yī)療影像進行病灶分類的。鑒于此，權利要求1中的特征“訓練后的所述分類任務模型用于對醫(yī)療影像進行病灶分類”疑似限定了最終得到的分類任務模型的應用，即要實現(xiàn)的結果。通過上述分析，確認權利要求1不符合歐洲專利審查指南中規(guī)定的例外情形。

　　因此，為了解決該問題，需要進一步增加特征來限定權利要求1的范圍，從而參照說明書對用于訓練的第一數(shù)據(jù)集進行了限定。并且在意見陳述中，結合使用第一數(shù)據(jù)集訓練得到分類任務模型的原理，闡述分類任務模型是通過權利要求1中的各個步驟使用第一數(shù)據(jù)集中的樣本進行訓練得到的，因此，本領域技術人員能夠清楚地知道最終得到的分類任務模型用于對醫(yī)療影像進行病灶分類。

　　具體修改如下所示：

　　1、一種分類任務模型的訓練方法，所述方法由計算機設備執(zhí)行，所述方法包括：

　　采用第一數(shù)據(jù)集訓練初始特征提取器得到特征提取器；其中，所述第一數(shù)據(jù)集是包括第一類別樣本和第二類別樣本的類別不均衡數(shù)據(jù)集，所述第一類別樣本的數(shù)量大于所述第二類別樣本的數(shù)量，所述第一數(shù)據(jù)集是通過醫(yī)療影像確定的，所述第一數(shù)據(jù)集包括從醫(yī)療影像中提取的關于病灶區(qū)域和非病灶區(qū)域的多個子圖像；

　　構建生成對抗網(wǎng)絡，所述生成對抗網(wǎng)絡包括所述特征提取器和初始特征生成器；其中，所述初始特征生成器用于生成與所述特征提取器相同維度的特征向量；

　　采用所述第二類別樣本對所述生成對抗網(wǎng)絡進行訓練，得到特征生成器；

　　構建分類任務模型，所述分類任務模型包括所述特征生成器和所述特征提取器；

　　采用所述第一數(shù)據(jù)集對所述分類任務模型進行訓練；其中，所述特征生成器用于在訓練過程中對所述第二類別樣本在特征空間進行擴增，訓練后的所述分類任務模型用于對醫(yī)療影像進行病灶分類。

　　示例2

　　針對同一歐洲專利申請的權利要求6，審查員也認為其限定了要實現(xiàn)的結果。原因在于，該權利要求6沒有限定初始分類任務模型具體為何物。

　　6、根據(jù)權利要求1至3任一項所述的方法，所述采用第一數(shù)據(jù)集訓練初始特征提取器得到特征提取器，包括：

　　構建初始分類任務模型，所述初始分類任務模型包括所述初始特征提取器；

　　采用所述第一數(shù)據(jù)集對所述初始分類任務模型進行訓練，得到特征提取器。

　　根據(jù)該歐洲專利申請的說明書描述，初始分類任務模型與前述權利要求1中構建的分類任務模型不是直接的因果關系，即，所構建的分類任務模型僅使用了初始分類任務模型的特征提取器，所以，權利要求6中訓練初始分類任務模型的實質目的就在于訓練特征提取器。通過上述分析，代理人認為說明書中對初始分類任務模型進行了相關的解釋說明，足以使得權利要求清楚，符合歐洲專利審查指南中指出的例外情形，無需進行過度地限定。

　　鑒于此，在意見陳述中，結合說明書的描述，首先闡釋了初始分類任務模型可以是預訓練好的Inception-v3模型。在初始分類任務模型滿足停止訓練條件時，停止對該模型的訓練，得到初始訓練后的分類任務模型。該初始訓練后的分類任務模型中包含初始訓練后的特征提取器，該初始訓練后的特征提取器被用于后續(xù)的生成對抗網(wǎng)絡中。也就是說，初始分類任務模型僅用于提供初始特征提取器，使用第一數(shù)據(jù)集訓練初始分類任務模型的步驟實質上也是使用第一數(shù)據(jù)集訓練初始特征提取器。當初始分類任務模型被訓練完成之后，其包括的特征提取器將被用于形成生成對抗網(wǎng)絡，以用于與特征生成器一起構建最終的分類任務模型。因此，當前的權利要求6已經(jīng)很清楚地限定了發(fā)明的方案，無需進行不適當?shù)剡^度限定。

　　通過上述針對權利要求1,6的不同處理和意見陳述，在答復歐洲檢索報告之后，順利獲得了授權。

　　以上為代理人針對歐洲專利審查指南（Guidelines F-IV 4.10）的駁回意見的答復實踐，如有不同答復思路，歡迎溝通交流。